TEMA 6: Gráficos de Control por Variables

1 Introducción

2 Gráficos de control de la media y el rango

• Función caracterı́stica de operación

3 Gráficos de control de la media y la desviación tı́pica

4 Gráficos de control de la media y la varianza

5 Gráficos de control modificados

6 Gráfico de control de sumas acumuladas

7 Gráficos de control basados en medias ponderadas

• Gráfico de control de la media móvil

• Gráfico de control de la media geométrica

8 Gráficos de control multivariantes

1. Introducción
Los gráficos de control por variables permiten estudiar la calidad de caracterı́sticas
numéricas. Proporcionan más información que los gráficos de control por atributos sobre
el rendimiento del proceso y permiten procedimientos de control más eficaces. En parti-
cular, se obtiene más información sobre las causas que producen una situación fuera de
control. Asimismo detectan mejor pequeñas variaciones del proceso. Los tamaños mues-
trales requeridos para un nivel de protección del proceso son menores.
Los gráficos de control por variables más usuales son los que controlan el valor medio
y la variabilidad del proceso. Más concretamente, para el control de la variabilidad del
proceso, estudiaremos los gráficos del rango, la desviación tı́pica y la varianza. A partir
de estos gráficos se obtiene una estimación de los parámetros del proceso, ası́ como una
aproximación de su capacidad o rendimiento.
Existen otros gráficos por variables que utilizan la información suministrada por varias
muestras; se construyen a partir de una secuencia de estadı́sticos muestrales, en contraste
con los gráficos anteriores, que tan sólo utilizan la información de una muestra. Estos
gráficos permiten detectar pequeños cambios en la media del proceso, corrigiendo ası́ la
‘incapacidad’ de los gráficos anteriores, para controlar pequeñas variaciones. En este tema
se estudiarán dos ejemplos de estos gráficos: Los gráficos de sumas acumuladas y los
gráficos de control basados en medias ponderadas. Por otra parte, para el estudio de

1
varias caracterı́sticas relacionadas se introducirán los gráficos multivariantes basados en
la distribución T 2 de Hötelling.

2. Gráficos de control de la media y el rango

Supongamos que la caracterı́stica de la calidad estudiada, X, se distribuye según una
Normal con parámetros µ y σ. Es bien conocido que, para una muestra de tamaño n, la
media muestral X̄ se distribuye según una Normal con parámetros µ y (n)σ1/2 .
En el caso en el que µ y σ sean parámetros conocidos, los lı́mites del gráfico de control
vienen dados por
σ
µ ± 3 1/2 .
(n)
Cuando los parámetros poblaciones son desconocidos, se estiman a partir de m mues-
tras piloto como sigue:

Para la media µ se considera el estimador

x̄1 + · · · + x̄m
µ̂ = x̄¯ = .
m
Para la desviación tı́pica σ se considera el estimador
R1 . . . R m R̄
σ̂ = = ,
md2 md2
donde Rj , j = 1, . . . , m, representan los rangos o amplitudes muestrales de las m
muestras piloto y d2 representa la media de la amplitud relativa AR de una muestra
normal (que se halla tabulada), siendo
R
AR = .
σ
Este estimador proporciona buenas aproximaciones de la desviación tı́pica pobla-
cional para tamaños muestrales pequeños.

Los lı́mites de prueba para el gráfico de control de la media vienen dados entonces por
R̄
x̄¯ ± 3 = x̄¯ ± 3AR̄.
d2 (n)1/2
La constante A se halla tabulada para diferentes tamaños muestrales.
Para el cálculo de los lı́mites de control para el gráfico del rango se considerará de
nuevo la amplitud relativa de una muestra normal, obteniéndose de la identidad

R = σAR ,

y, por tanto, de la identidad

σR = σσAR = σd3 ,

2
la siguiente estimación:
R̄
σˆR = d3 ,
d2
donde d3 se halla también tabulada para diferentes tamaños muestrales. Los lı́mites de
prueba para el gráfico del rango se definen entonces como sigue:
R̄
R̄ ± 3d3 ,
d2
o, equivalentemente,
LIC = D3 R̄
LSC = D4 R̄,
siendo
d3
D3 = 1 − 3
d2
d3
D4 = 1 + 3 .
d2
Metodologı́a. Si existen patrones no aleatorios en los gráficos de la media y el rango,
se eliminan primero las causas atribuibles en el gráfico del rango, lo que producirá una
mejora en el gráfico de X̄. Bajo la hipótesis de normalidad, X̄ y R son independientes.
Por tanto, si esta hipótesis no se refleja en los gráficos de control de ambas variables, se
debe revisar la hipótesis de normalidad.

2.1. Función caracterı́stica de operación

Describe la idoneidad de los gráficos de X̄ y R para detectar cambios en la calidad
del proceso. Si se produce un cambio en la media del proceso de un valor µ0 a un valor
µ1 = µ0 + kσ, entonces,
· ¸
£ ¤ LSC − (µ0 + kσ)
β = P LIC ≤ X̄ ≤ LSC/µ1 = µ0 + kσ = P Z ≤
σ/(n)1/2
· ¸
LIC − (µ0 + kσ)
− P Z≤ .
σ/(n)1/2
Puesto que LIC = µ0 − 3 (n)σ1/2 y LSC = µ0 + 3 (n)σ1/2 , se obtiene
£ ¤ £ ¤
β = P Z ≤ 3 − k(n)1/2 − P Z ≤ −3 − k(n)1/2 .

3. Gráficos de control de la media y la desviación

tı́pica
Se considera el estadı́stico S definido a partir de la raı́z cuadrada de la cuasivarianza
muestral, Pn
2 (Xi − X̄)2
S = i=1 .
n−1

3
Puesto que S no es un estimador insesgado de σ, siendo ES = c4 σ con
µ ¶1/2
2 Γ(n/2)
c4 = ,
n−1 Γ ((n − 1)/2)

los lı́mites de control para el gráfico de σ, en términos del estadı́stico S vienen dados por

c4 σ ± 3σ(1 − c24 )1/2 ,

o, equivalentemente,

LIC = σB1
LSC = σB2 ,

siendo

B1 = c4 + 3(1 − c24 )1/2

B2 = c4 − 3(1 − c24 )1/2 ,

en el caso en que σ es conocida. Para σ desconocida se considera la extracción de m

muestras piloto y se obtiene
m
1 X
S̄ = Sj ,
m j=1

denotando por Sj la raı́z cuadrada de la cuasivarianza muestral de la muestra piloto j.

Los lı́mites de prueba vienen dados por

S̄
S̄ ± 3 (1 − c24 )1/2 .
c4
El gráfico para la media se define entonces en términos de los siguientes lı́mites de control:

¯ ±3 S̄
X̄ .
c4 (n)1/2

4. Gráficos de control de la media y la varianza

Puesto que los lı́mites iniciales para el gráfico de la media serı́an
µ ¶1/2
¯ ±3 σ2
X̄ ,
n

en el caso en que σ es desconocida se aproximan en términos de la media de las cuasivar-

ianzas muestrales de las m muestras piloto,
Pm 2
j=1 Sj
S¯2 = .
m

4
Los lı́mites de control de S 2 no pueden calcularse en términos de un múltiplo de la
desviación tı́pica de dicho estadı́stico, puesto que su distribución no es simétrica. Sin
embargo, se pueden calcular los lı́mites probabilı́sticos para S 2 teniendo en cuenta que
· ¸
2 (n − 1)S 2 2
1 − α = P χ1− α ,n−1 ≤ ≤ χ α ,n−1
2 σ2 2
" 2 2 #
σ χ1− α ,n−1 σ 2 χ2α ,n−1
= P 2
≤ S2 ≤ 2
,
n−1 n−1

es decir, utilizando la estimación anterior S¯2 de la varianza se obtienen los lı́mites de

control
S¯2 χ21− α ,n−1
LIC = 2

n−1

L.C. = S¯2

S¯2 χ2α ,n−1

LSC = 2
.
n−1

5. Gráficos de control modificados

En algunos casos los lı́mites especificados para los gráficos de control por la adminis-
tración determinan una banda mucho más amplia que la banda de 6σW o que la banda
determinada por la variabilidad natural del proceso. Entonces se puede plantear que la
media del proceso se mueva en un intervalo relativamente grande sin afectar a la fracción
de defectuosos del proceso. Es decir, se pueden determinar ciertos valores µI y µS (infe-
rior y superior) para la media del proceso de forma que la fracción de disconformes del
proceso siga siendo inferior a una cantidad δ. Este planteamiento equivale a probar que la
media del proceso se halla en el intervalo [µI , µS ]. Suponiendo que la salida del proceso se
distribuye según una Normal con media µ y desviación tı́pica σ, se considera el siguiente
intervalo de variación para la media, relativo a los lı́mites de especificación:

µI = LIE + Zδ/2 σ
µS = LSE − Zδ/2 σ,

que garantizan que la fracción de disconformes del proceso se encuentra por debajo de δ,
siendo Zδ el percentil (1 − δ)100 de la Normal estandarizada.
Se establecen entonces los siguientes lı́mites de control para la media poblacional µ:
3σ 3σ
LIC = µI − = LIE + Z δ/2 σ −
(n)1/2 (n)1/2
3σ 3σ
LSC = µS + 1/2
= LSE − Zδ/2 σ + .
(n) (n)1/2

5
En el diseño de dichos lı́mites se puede considerar que δ es la fracción de disconformes
aceptable con una probabilidad 1 − α. Se tiene entonces que los lı́mites de control vienen
dados por
Zα/2 σ Zα/2 σ
LIC = µI − 1/2
= LIE + Zδ/2 σ −
(n) (n)1/2
Zα/2 σ Zα/2 σ
LSC = µS + 1/2
= LSE − Zδ/2 σ + .
(n) (n)1/2

Si se requiere una fracción de disconformes del proceso γ que se debe rechazar con pro-
babilidad 1 − β. Entonces, los lı́mites de control vendrı́an dados por
Zβ/2 σ Zβ/2 σ
LIC = µI − = LIE − Z γ/2 σ −
(n)1/2 (n)1/2
Zβ/2 σ Zβ/2 σ
LSC = µS + = LSE + Z γ/2 σ + .
(n)1/2 (n)1/2

Para α, β, γ y δ especificados, se calcula n mediante la siguiente fórmula:

Zα/2 σ Zβ/2 σ
LSE − Zδ/2 σ + = LSE + Z γ/2 σ +
(n)1/2 (n)1/2
(Zα/2 − Zβ/2 )2
n = .
(Zδ/2 + Zγ/2 )2

6. Gráfico de control de sumas acumuladas

En este diagrama se representan las sumas acumuladas de las desviaciones de las
medias muestrales respecto a un valor objetivo µ0 , es decir, para la l−ésima muestra se
representa
Xl
Dl = (X̄j − µ0 ) l ∈ N.
j=1

Se dice que el proceso está bajo control si hay una variación aleatoria de los valores de
Dl en torno al valor objetivo µ0 . Por el contrario, si dicha variación no es aleatoria se
tiene que la sucesión de puntos definida por los valores de Dl se desplaza hacia arriba,
lo que indica que hay una desviación de la media del proceso a un valor µ1 > µ0 , o bien
la sucesión de puntos se desplaza hacia abajo, lo que indica que hay una desviación de
la media del proceso hacia un valor µ2 < µ0 . Por tanto, el proceso se encuentra fuera de
control.
Para determinar si se da alguna de las situaciones anteriores se diseña el diagrama en

6
forma de V, cuyos parámetros se definen en términos de las siguientes magnitudes:
µ ¶ · ¸
2 1−β
d = ln
δ2 α
µ ¶
∆
θ = arctan
2k
∆
δ = ,
σX̄
siendo ∆ el cambio de la media del proceso que se quiere detectar, k = 2σX̄ , α denota
la probabilidad de considerar que el proceso está fuera de control cuando en realidad
está bajo control, β es la probabilidad de considerar que el proceso está bajo control
cuando en realidad está fuera de control, θ denota el ángulo que define la amplitud de los
brazos de la V y, para el último valor Dl del estadı́stico de sumas acumuladas, d define la
distancia de dicho valor al vértice de la V. Si las sumas acumuladas determinan un punto
fuera del recinto delimitado por los brazos de la V, entonces se concluye que la variación
de la media del proceso está fuera de control.

7. Gráficos de control basados en medias

ponderadas
7.1. Gráfico de control de la media móvil
Para diversas muestras de tamaño n extraı́das en diferentes instantes de tiempo, se
define la media móvil de alcance U en el instante t como sigue:

X̄t + X̄t−1 + · · · + X̄t−U +1

Mt = .
U
Este estadı́stico renueva la información en cada instante de tiempo, eliminando el valor de
la muestra más antigua y considerando en su lugar el valor medio muestral en el instante
actual t. Puesto que
t
X t
X
1 1 σ2 σ2
Var(Mt ) = 2 Var(X̄i ) = 2 = ,
U i=t−U +1
U i=t−U +1
n Un

se tiene que los lı́mites de control para el diagrama de la media móvil vienen dados por

¯± 3σ
X̄ ,
(nU )1/2
¯ se calcula a partir de m muestras piloto.
donde X̄
Se obtiene más protección cuando se aumenta el alcance de la media móvil.

7
7.2. Gráfico de control de la media geométrica
En el gráfico de la media móvil los pesos o ponderaciones en cada instante de tiempo
considerado eran: para los instantes de tiempo t, . . . , t − U + 1, la unidad, y para s <
t − U + 1, el valor cero. En el diagrama de la media geométrica se consideran las siguientes
ponderaciones:
t−1
X
Zt = rX̄t + (1 − r)Zt−1 = r (1 − r)j X̄t−j + (1 − r)t Z0 ,
j=0

siendo Z0 = X̄¯ y r ∈ (0, 1]. El estadı́stico Z representa la media geométrica en el instante

t
t. Este diagrama también se conoce como diagrama de la media móvil ponderada expo-
nencialmente. Se basa en la formulación de la técnica de suavizado exponencial simple,
utilizada en el análisis de series temporales. Cuando t es suficientemente grande se puede
considerar la siguiente aproximación asintótica de la varianza de dicho estadı́stico:
· ¸
2 2 σ2 r
σZt −→ σZ = .
n 2−r

Los lı́mites de control del diagrama de la media geométrica se definen entonces como
sigue:
µ ¶1/2
¯ r
X̄ ± 3σ .
(2 − r)n

8. Gráficos de control multivariantes

Dependiendo del proceso de fabricación y del producto, en ocasiones es necesario
realizar un estudio conjunto de varias variables o caracterı́sticas para concluir sobre la
calidad y utilidad de una pieza fabricada. Estas caracterı́sticas de la calidad pueden ser
independientes o estar relacionadas, pero en ambos casos las probabilidad de considerar
que el proceso está fuera de control cuando en realidad está bajo control, es decir, la prob-
abilidad de error de tipo I, y de representar correctamente un punto bajo control cambian
dependiendo de que se considere un diagrama individual para la media de cada carac-
terı́stica, o bien un diagrama conjunto para las medias de todas las caracterı́sticas. Por
ejemplo, si se consideran dos caracterı́sticas X1 y X2 , variables independientes, entonces
la probabilidad de exceder los lı́mites de control en el diagrama conjunto de ambas va-
riables es considerablemente mayor que las probabilidades de exceder los lı́mites de control
en los diagramas individuales. Por tanto, el estudio individual de ambas variables distor-
siona bastante el control conjunto de éstas. En general, si X1 , . . . , Xp , son caracterı́sticas
independientes que se desea controlar conjuntamente, entonces

P [error de tipo I del diagrama conjunto ] = 1 − (1 − α)p ,

8
es decir,

P [concluir que el proceso está bajo control cuando en realidad lo está] = (1 − α)p ,

donde se está denotando por α la probabilidad de error de tipo I para cada caracterı́stica,
es decir, en los diagramas individuales. En el caso en que dichas variables no son inde-
pendientes es difı́cil medir la distorsión ocasionada por un estudio individualizado de las
mismas. Seguidamente se estudia el problema de control de varias variables relacionadas,
es decir, el problema de control multivariante, a partir de gráficos de control diseñados en
términos de un estadı́stico con distribución T 2 de Hötelling.
Se estudia en primer lugar el caso bivariante. Supongamos que se quiere realizar un
control conjunto de dos caracterı́sticas de la calidad cuya distribución es una Normal
bivariante con vector de medias (µ1 , µ2 ) y con matriz de covarianzas Σ. A partir de
muestras preliminares, se estima el vector de medias en términos de (X̄ ¯ , X̄
¯ ) y la matriz
1 2
de covarianzas mediante la matriz de cuasivarianzas y cuasicovarianzas muestrales. Se
tiene entonces que el estadı́stico
n h i
2
T = 2 2 2 ¯ 2 2 ¯ 2 ¯ ¯
S2 (X̄1 − X̄1 ) + S1 (X̄2 − X̄2 ) − 2S12 (X̄1 − X̄1 )(X̄2 − X̄2 ) (1)
2
S1 S2 − S12

se distribuye según una T 2 de Hötelling con 2 y n − 1 grados de libertad, siendo n el

tamaño muestral, X̄i , i = 1, 2, las medias muestrales, Si2 , i = 1, 2, las cuasivarianzas
muestrales y Sij , i, j = 1, 2, i 6= j, las cuasicovarianzas para las dos caracterı́sticas de la
calidad estudiadas, evaluadas en la muestra considera.
Metodologı́a. Si T 2 > Tα,2,n−1
2
, entonces al menos una de las caracterı́sticas estudiadas se
encuentra fuera de control, rechazándose la hipótesis de que el proceso está bajo control,
2
siendo Tα,2,n−1 el punto de la distribución T 2 (2, n − 1) que deja a la derecha una proba-
bilidad α. Gráficamente, si S12 = 0 y X̄1 y X̄2 son independientes, entonces la ecuación
(1) define una elipse con los ejes principales paralelos a los ejes de abscisas y ordenadas
donde se representan, respectivamente, los valores de X̄1 y X̄2 . Este diagrama tipo elipse
para el control bivariante de dos caracterı́sticas presenta algunos inconvenientes:

Se pierde la secuencia en el tiempo (evolución del proceso) y, por ejemplo, no se

pueden apreciar patrones de no aleatoriedad tales como las rachas.

La representación gráfica de más de dos caracterı́sticas se complica.

Los puntos anteriores motivan el uso de gráficos de control, donde los valores del
2
estadı́stico (1) se representan en un diagrama cartesiano y el valor Tα,2,n−1 se representa
mediante una lı́nea horizontal, paralela al eje de abscisas, que define el único lı́mite superior
de control. Para cada muestra, se evalua el estadı́stico (1): si el punto correspondiente a
dicho valor supera el lı́mite superior de control, entonces el proceso está fuera de control;
en caso contrario, el proceso está bajo control.

9
 La generalización del planteamiento anterior al caso de p variables serı́a como sigue.
Se considera el vector aleatorio (X1 , . . . , Xp ) que representa las p caracterı́sticas de la
calidad que se pretende analizar conjuntamente. Análogamente al caso bivariante, para
una muestra de tamaño n se calcula el estadı́stico

T 2 = n(x̄ − x̄¯)S −1 (x̄ − x̄¯),

donde el vector de medias muestrales x̄ se evalúa en la muestra considerada, ası́ como la

matriz de cuasivarianzas y cuasicovarianzas muestrales S. El vector x̄¯ se calcula a partir
de un conjunto de muestras preliminares. El estadı́stico T 2 sigue una distribución T 2 de
Hötelling con p y n − 1 grados de libertad. El diagrama se define en términos del lı́mite
2
superior de control Tα,p,n−1 . Se suele utilizar la siguiente aproximación:

2 p(n − 1)
Tα,p,n−1 = Fα,p,n−p ,
n−p
siendo Fα,p,n−p el valor de la distribución F de Snedecor que deja a la derecha un área α
y considerando n > p.
A partir de m muestras piloto, los cálculos para realizar las estimaciones necesarias
para evaluar T 2 serı́an los siguientes. Denotando mediante Xijk la variable aleatoria que
representa el valor en la unidad i de la caracterı́stica j en la k−ésima muestra, se tienen
los siguientes estadı́sticos muestrales, para j = 1, . . . , p, y k = 1, . . . , m :
n
1X
X̄jk = Xijk
n i=1
n
2 1 X
Sjk = (Xijk − X̄jk )2
n − 1 i=1
n
1 X
Sjhk = (Xijk − X̄jk )(Xihk − X̄hk ), j 6= h
n − 1 i=1
m
¯ = 1 X
X̄j X̄jk
m k=1
m
1 X 2
S̄¯j2 = S
m k=1 jk
m
1 X
S̄¯jh = Sjhk .
m k=1

10